Diante do problema de os algoritmos atuais ignorarem a relação profunda entre características globais pontuais e características geométricas locais dos dados de nuvens de pontos, resultando em informações geométricas locais capturadas com pouca discriminabilidade e dificuldade em reconhecer formas complexas de forma eficaz, propomos um algoritmo de segmentação semântica para nuvens de pontos 3D baseado em rede neural convolucional em grupos com fusão de características por autoatenção. Primeiramente, projetamos uma estrutura de rede leve de convolução gráfica de pontos proxy para extrair características geométricas locais da nuvem de pontos, incorporando operações de convolução em grupos para reduzir a carga computacional e complexidade, enriquecendo as características com menos informações redundantes. Em seguida, por meio de um módulo Transformer, ocorre a troca de informações entre as diferentes ramificações de características, permitindo que características globais e locais se complementem, fortalecendo a completude das características. Após isso, as características semânticas de baixo nível da nuvem de pontos são fundidas com a nuvem original para ampliar o campo receptivo local e obter informações semânticas contextuais de alto nível. Finalmente, as características são inseridas no módulo de segmentação para completar a segmentação semântica fina. Resultados experimentais mostram que o algoritmo atinge precisão de segmentação de 79,3% e 56,6% nos conjuntos de dados S3DIS e SemanticKITTI, respectivamente, podendo extrair informações chave de características de nuvens de pontos 3D, com um número reduzido de parâmetros de rede e alta robustez na segmentação semântica.

nuvem de pontos 3D;segmentação semântica;convolução gráfica;convolução em grupos